AI-Based Fraud Detection System for Subscription-Based Payment Services
本文提出并评估了一种专门针对订阅制支付服务设计的基于人工智能的欺诈检测系统，证明了在涵盖六种不同欺诈类型的合成数据集上，一种混合了 XGBoost 与 Bi-LSTM 的架构在多个指标上均优于独立模型，同时明确承认这些结果仅作为概念验证证据，而非经过验证的真实世界表现。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在数字经济中，订阅不仅仅是一次简单的购买，它是一种持续的关系。与在商店购买单件商品不同，订阅涉及客户注册一项服务，该服务会按计划定期向其计费，通常在开始时还附带免费试用期。这种循环往复的性质创造了一个独特的欺诈图景。犯罪分子不仅仅是为了进行一次大额购买而窃取信用卡号；他们利用的是计费周期的节奏。他们可能会使用被盗卡注册数十个免费试用，以此测试卡号的有效性，然后再将其用于其他地方。他们可能会分享登录凭据以转售访问权限，或者可能在合法客户使用服务数月后，通过对账单提出争议来获取退款并保留服务。由于这些攻击依赖于随时间变化的模式而非单次可疑交易，传统的欺诈检测系统（通常旨在识别一次性异常情况）往往难以察觉。
本文通过提出一种专门针对订阅服务检测欺诈的新方法来填补这一空白。作者是一位独立研究人员，他认为由于订阅计费具有可预测的结构，因此对该结构的偏离是强有力的线索。为了测试这一想法，研究人员构建了一个订阅业务的计算机模拟系统。该模拟创建了一个包含 2,600 个订阅账户、跨度为两年的虚拟宇宙，生成了数万个事件，如登录、计费尝试和方案变更。在这些真实的日常活动流中，研究人员注入了六种特定类型的欺诈，包括试用滥用、账号劫持以及客户声称未授权扣款的“友好”欺诈。目标是观察人工智能系统是否能够从日常生活的噪声中识别出这些特定的模式。
研究人员首先梳理了十个可以发出警报的信息类别。这些类别范围广泛，既包括显而易见的，如收费金额的突然变化，也包括微妙的，如在计费变更前发生的来自新设备的登录。系统还会观察账户之间的关联性，例如多个账户使用同一台电脑或 IP 地址，这通常预示着协同攻击。在掌握这些数据后，研究通过测试了五种不同类型的机器学习模型。有些模型简单且快速，仅孤立地查看单个事件。另一些则更为复杂，旨在记住客户的整个历史记录并理解其行为的序列，就像一个人通过记住朋友的习惯来察觉异样一样。
最显著的发现来自于将这些方法结合起来。研究人员构建了两个混合系统，兼具两者的优势：一部分分析账户的静态细节（如设备和位置），另一部分研究客户行为的时间线。其中一个混合模型结合了强大的决策引擎和能够读取事件序列的系统，证明是最有效的。在这些模拟实验中，它比任何单一模型都能捕捉到更多的欺诈，同时产生的令合法客户感到困扰的错误也更少。它成功识别了约 61% 的欺诈尝试，同时保持了较低的误报率。另一个混合模型使用了不同的方法来识别异常模式，而无需预先知道具体的欺诈形式，它同样取得了成功，但做出了不同的权衡：它在避免误报方面表现得更好，但捕捉到的实际欺诈案例略少。
研究还表明，并非所有欺诈都是同质的。该系统在捕捉“劫持”（即有人接管账号）和“退款滥用”（即客户反复注册并取消以获取免费服务）方面表现出色。然而，它在处理“友好欺诈”（即合法客户在使用服务一段时间后提出争议）时显得力不从心。论文解释说，这并非技术的失败，而是问题的基本现实：在账单生成的瞬间，一笔争议款项看起来与正常扣款完全一致。只有在客户提出投诉后，它才会作为欺诈显现出来。这一区别至关重要，因为它表明某些类型的欺诈只能在事后识别，而非实时识别。
在整个研究过程中，作者仔细注明了这项工作的局限性。结果完全是在计算机模拟中生成的，而非来自真实公司的实际数据。虽然模拟设计得非常逼真，且结果在多次不同的测试运行中保持一致，但这些数字代表的是一种概念验证，而非在现实世界中的保证性能。研究还发现，该系统检测新型、未知欺诈的能力是有限的；如果犯罪分子发明了一种系统从未见过的全新手段，模型很可能会漏掉。这表明，尽管这些工具功能强大，但它们必须作为更大规模、不断演进的策略的一部分。论文总结道，通过将欺诈检测量身定制于订阅服务的特定循环性质，企业可以在更好地保护自身的同时，不惩罚诚实的客户，但这项工作仍是一个起点，而非最终解决方案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。